Un reciente estudio pionero explora el impacto de la privacidad diferencial en la detección diagnóstica de patologías del habla utilizando inteligencia artificial (IA), abordando las cruciales preocupaciones sobre privacidad del paciente. Al aplicar la privacidad diferencial (DP) al análisis de datos de habla patológica, la investigación encontró que la precisión diagnóstica experimenta una reducción máxima de apenas 3.85% bajo altos niveles de protección de la privacidad.

El estudio, llevado a cabo por un equipo internacional, utilizó un conjunto de datos extenso y real con 200 horas de grabaciones de 2,839 participantes de habla alemana. Al aplicar DP durante el entrenamiento de los modelos, se preservó efectivamente la privacidad del paciente, siendo esta la primera vez que DP se investiga en el contexto de datos de habla patológica.

Para mostrar los riesgos reales de privacidad, se realizaron ataques de inversión de gradiente en modelos que no aplicaron DP, permitiendo reconstruir muestras de habla identificable, mientras que los modelos con DP demostraron ser eficientes en mitigar tales vulnerabilidades. Además, el estudio abarcó la validación de su enfoque utilizando un conjunto de datos de pacientes hispanohablantes con enfermedad de Parkinson, mostrando que el preentrenamiento en grandes conjuntos de datos específicos para tareas ayuda a mantener una alta precisión incluso con DP.

El análisis de equidad reveló un sesgo de género mínimo a niveles de privacidad razonables, pero destacó desafiar las disparidades relacionadas con la edad. En paralelo, se evaluó el trade-off de privacidad-fairness, donde DP puede exacerbar las desigualdades demográficas si no se gestiona adecuadamente, especialmente bajo presupuestos de privacidad bajos.

El estudio sienta las bases para mejorar las metodologías de DP y avanzar en justicia entre grupos diversos de pacientes asegurando un despliegue ético y seguro en el mundo real. Esta investigación resalta la capacidad de equilibrar privacidad y utilidad en la detección de trastornos del habla mediante IA al tiempo que se subrayan los retos únicos en el equilibrio privacidad-equidad para datos del habla.